在 PDF 文件中查找文本位置

Posted 2023-02-23

【中文标题】在 PDF 文件中查找文本位置

【英文标题】：Find text position in PDF file

【发布时间】：2018-05-09 21:18:04

【问题描述】：

我有一个 PDF 文件，我正在尝试在 PDF 中查找特定文本并使用 Python 突出显示它。 我找到了PyPDF2，当我们在文件中给出想要的高亮位置的坐标时，可以highlight part of a PDF。

我正在尝试寻找一种工具，它可以为我提供给定文本在 PDF 中的位置。

【问题讨论】：

您是否尝试过搜索能够解析 PDF 文件的 Python 库？

希望这会有所帮助：***.com/questions/8971243/…

目前还没有运气搜索此功能（希望通过命令行工作）...

【参考方案1】：

PyMuPDF 可以通过坐标查找文本。您可以将它与 PyPDF2 突出显示方法结合使用来完成您所描述的内容。 或者你也可以use PyMuPDF to highlight the text。

以下是使用 PyMuPDF 查找文本和突出显示的示例代码：

import fitz

### READ IN PDF
doc = fitz.open("input.pdf")

for page in doc:
    ### SEARCH
    text = "Sample text"
    text_instances = page.searchFor(text)

    ### HIGHLIGHT
    for inst in text_instances:
        highlight = page.addHighlightAnnot(inst)
        highlight.update()


### OUTPUT
doc.save("output.pdf", garbage=4, deflate=True, clean=True)

【讨论】：

在 windows 上我无法安装 fitz。

@keramat 32/64 位版本存在问题。您需要安装较低版本的 PyMuPDF。 pip install PyMuPDF==1.16.7 工作，但默认的和最新的没有请看这里了解更多信息； github.com/pymupdf/PyMuPDF/issues/414

感谢@cilantro Ditrek，请告诉我是否有办法在该文本周围画一个红线框，而不是仅仅突出显示

上面的代码需要一点帮助。在highlight = ... 之后添加highlight.update() 另外，如果pdf 文档超过一页，则将### SEARCH 和### HIGHLIGHT 部分包装在for page in doc: 循环中并去掉page = doc[0]。

在 Ubuntu 18.04 ''Bionic" 中它适用于 pip3 install PyMuPDF==1.16 ；即使我已经安装了 libmupdf-dev 1.12 版

【参考方案2】：

如果您在 Windows 上使用 Acrobat Pro（不是阅读器），您可以尝试使用 Python 或 VBA 的旧组件对象模型。

import win32com, winerror, os
from win32com.client.dynamic import ERRORS_BAD_CONTEXT
ERRORS_BAD_CONTEXT.append(winerror.E_NOTIMPL)
win32com.client.gencache.EnsureModule('E64169B3-3592-47d2-816E-602C5C13F328', 0, 1, 1)
avDoc = win32com.client.DispatchEx('AcroExch.AVDoc')
avDoc.Open(src, src)

avDoc.BringToFront()
pdDoc = avDoc.GetPDDoc()
jsoObject = pdDoc.GetJSObject()

for pageNo in range(1):
    pdfPage = pdDoc.AcquirePage(pageNo)
    pageHL = win32com.client.DispatchEx('AcroExch.HiliteList')
    _ = pageHL.Add(0, 9000)
    pageSel = pdfPage.CreatePageHilite(pageHL)

    pdfText = ""
    for wordNo in range(pageSel.GetNumText()):
        word = pageSel.GetText(wordNo)
        pdfText += word

        if keyword in pdfText:
            wordToHl = win32com.client.DispatchEx('AcroExch.HiliteList')
            wordToHl.Add(wordNo, 1)
            wordHl = pdfPage.CreateWordHilite(wordToHl)
            rect = wordHl.GetBoundingRect()
            annot = jsoObject.AddAnnot()
            props = annot.GetProps()
            props.Type = "Square"
            props.Page = pageNo
            props.Hidden = False
            props.Lock = True
            props.Name = word
            props.NoView = False
            props.Opacity = 0.3
            props.ReadOnly = True
            props.Style = "S"
            props.ToggleNoView = False
            props.PopupOpen = False
            popupRect = [rect.Left - 5, rect.Top + 5, rect.Left + 40, rect.Top - 20]
            props.Rect = popupRect
            props.PopupRect = popupRect
            props.StrokeColor = jsoObject.Color.Red
            props.FillColor = jsoObject.Color.Yellow

            annot.SetProps(props)
            print(f'Found keyword')